Business Intelligence: как сделать данные доходом?
Борис ШОЙХЕТ, эксперт по отраслевым бизнес-решениям Microsoft
Общеизвестно, что любая крупная компания в ходе своей деятельности создает, получает, преобразует и сохраняет огромное количество информации.
У ритейлеров это кассовые чеки, прайс-листы, информация о скидках и подарочных сертификатах, данные о товарных запасах, о товародвижении, планограммы магазинов, маркетинговые программы, договоры с поставщиками, бухгалтерская отчетность, внутренний учет, информация о сотрудниках, аналитические исследования рынка, данные о демографии, доходах населения с привязкой к картам (на основании которых в том числе принимается решение об открытии новых магазинов) и количестве посетителей и т. д. и т. п.
Все данные, которые используются в текущей деятельности любого ритейлера, хранятся в многочисленных и зачастую очень слабо связанных между собой системах. Поэтому основная задача бизнес-аналитики, или BI (Business Intelligence), – выделить из общего массива и структурировать информацию, необходимую для принятия управленческих решений. При этом различаются три уровня решений, в том или ином виде присутствующих в любой компании: персональная, коллективная и корпоративная бизнес-аналитика.
Первый вариант подразумевает сценарий, когда сотрудники (как правило, бизнес-аналитики) самостоятельно, с помощью интуитивно понятных персональных программных инструментов подключаются к различным источникам данных (как внутренним, так и внешним), а затем, используя возможности программного продукта, формируют прогнозы и сценарии развития. Примерами таких программных продуктов являются MS Excel 2013+PowerPivot, QlickView, Business Object и др. В случае если необходима совместная работа, используются сценарии «коллективной аналитики». Под этим понимается создание единого корпоративного портала, в рамках которого все авторизованные сотрудники могут просматривать, формировать и изменять аналитические отчеты. Доступ аналитиков к отчетам на корпоративном портале может осуществляться как через стационарные персональные компьютеры, так и через мобильные устройства (различного рода планшеты и смартфоны), естественно, с учетом существующих в компании ограничений и прав доступа к информации.
Если регулярно создаются отчеты, адресованные большому количеству сотрудников, для управления используют так называемую корпоративную аналитику. В рамках этого сценария формируются выверенные аналитические модели с едиными в пределах организации показателями и жестко формализованные отчеты, служащие единственным «источником правды» в рамках компании.
Бизнес-анализ и российский ритейл
Как бизнес, развивавшийся в рамках стандартной «магазинной» модели, розничная торговля традиционно отстает от некоторых других отраслей экономики, скажем, от телекоммуникаций или банкинга, в использовании новых информационных технологий. В равной степени это справедливо и для внедрения систем бизнес-аналитики.
Связано это во многом с тем, что розничная торговля в своем традиционном виде воспринимается многими как очень «простой» бизнес, которому требуется буквально два отчета: «по остаткам» и «по продажам». Нередко даже от специалистов приходится слышать: «Да там же все элементарно: пришли коробки, распаковали, выложили на полки, продали. И так по кругу. Ничего сложного». Причины такого отношения, скорее всего, имеют отраслевую и чисто российскую специфику. Во-первых, сегмент организованного/сетевого ритейла был и во многом остается ненасыщенным, а рынок – неконкурентным (за исключением, пожалуй, Санкт-Петербурга).
Сегодня крупные розничные сети в России не конкурируют друг с другом, а делят региональные рынки, поглощая небольшие местные сети и выдавливая неорганизованную торговлю. В результате у предпринимателей создается обманчивое впечатление, что все очень просто: отладил операционную деятельность (нашел поставщиков, организовал логистику, наполнил полки, оптимизировал ассортимент, минимизировал потери в магазинах и распределительных центрах) – и бизнес пошел, особенно если развиваешься на заемные средства, привлеченные по низким ставкам. Только успевай открывать магазины, а покупателей хватит на всех.
Во-вторых, продуктовый ритейл в России, несмотря на бурное развитие интернет-торговли (особенно в крупных городах), остается пока что ритейлом «магазинным», где подавляющий объем продаж осуществляется через традиционные торговые учреждения.
В этих условиях бизнес-анализ формировался в крупных розничных компаниях в качестве системы анализа эффективности собственной деятельности и служил в первую очередь повышению прозрачности бизнеса для владельцев и топ-менеджмента, но не применялся как инструмент, направленный на поиск новых возможностей получения дополнительной прибыли для компании. Изменений сложившейся ситуации в России в ближайшей перспективе не предвидится, поскольку рынок в Москве и других регионах (за исключением Санкт-Петербурга) далек от насыщения и конкуренции между глобальными сетевыми игроками нет.
Между тем организации, которые сумели построить эффективную систему бизнес-аналитики, ориентированную (и это важно) не только на анализ имеющихся фактов и построение регулярных отчетов, но и способную формировать обоснованные прогнозы и сценарии развития, получают несомненное конкурентное преимущество.
Big Data повысит продажи
Объемы накапливаемых в Интернете данных растут год от года. Говорят, что в Сети можно найти любую информацию. Скорее всего, это именно так. Но необходимо различать данные и информацию. Данные – это сырые факты, строки из букв и цифр, без какого-либо контекста. Соответственно, Big Data в общем виде – большие объемы любых неструктурированных данных. В то же время информация – уже обработанные данные, проанализированные, структурированные и взаимосвязанные. Соответственно, информация имеет реальную ценность и может быть использована для принятия решений.
На протяжении всей истории вычислительной техники существовавшие в каждый конкретный момент времени технологии позволяли оперировать всеми имевшимися данными и превращать их в информацию за разумный период времени. Однако в последнее время стало очевидно, что скорость развития процессоров (для кремниевых полупроводниковых микросхем) замедляется, а объемы накопленных данных растут. В результате анализировать их становится все труднее. Но ведь в розничном секторе бизнес во многом зависит от выявления закономерностей поведения клиентов – и недостатки в аналитике могут привести к весьма серьезным последствиям, таким как упущенная выгода. Выходом из сложившейся ситуации стала разработка новых методов и инструментов, позволяющих работать с практически неограниченными объемами данных, выявлять в них фрагменты информации, строить зависимости и делать выводы.
Выгоду, полученную от использования подобных инструментов, можно оценить. Американский ритейлер Target, например, на основании изменений в поведении покупательницы предполагал у нее беременность и изменял ассортимент предлагаемых товаров таким образом, чтобы максимально соответствовать изменившимся ожиданиям клиентки. По оценкам Target, эта стратегия принесла компании 23 млрд долларов дополнительной выручки.
Ключевым для розничной торговли всегда был вопрос измерения потерянных продаж. Как понять, кто был в магазине или на сайте, как много и чего именно клиенту не предложили, предложили неправильно и, как следствие, не продали? Если ритейлер сможет понять, что именно помешало довести клиента «до кассы», то сможет внести изменения в выкладку товаров на витрине, в ценообразование и продвижение своих предложений. Нюансы поведения покупателей отследить крайне сложно, в первую очередь из-за того, что непонятно, какие именно данные необходимы для подобного анализа. Именно здесь на помощь приходят технологии Big Date, которые предоставляют возможность сохранять, причем дешево, все данные, которые только можно собрать, – даже те, которые мы сегодня еще не умеем использовать (скажем, массивные веб-журналы). Ведь не исключено, что мы научимся этому в будущем.
Изначально инструменты Big Data использовались для обработки информации онлайн-компаний, в том числе интернет-магазинов, поскольку через сеть можно собрать огромное количество разного рода данных. Тем не менее и офлайновые ритейлеры могут использовать методы работы с большими объемами данных для того, чтобы лучше понять поведение и мотивацию покупателей. Уже существуют и активно применяются новые технологии для сбора информации о траекториях движения покупателей в магазине, проводятся гендерная и возрастная идентификации с помощью систем видеонаблюдения. Эти и им подобные данные собирают и хранят в виде неструктурированных массивов в Big Date для последующего анализа и выявления связей и взаимозависимостей. После этого могут приниматься решения о внесении корректировок в планограмму магазина, систему выкладки товаров, об изменениях, касающихся размещения промомест и элементов системы навигации, инфокиосков, прайс-чекеров и т. д.
Ритейл все больше становится бизнесом реального времени, когда каждое взаимодействие с покупателем, каждое движение товара через распределительно-торговую сеть измеряется и используется для уточнения стратегии ценообразования, обновления персонализированных маркетинговых предложений, направляемых клиенту через сайт, мобильные устройства, электронную почту. В этом – залог уменьшения потерянных продаж и, соответственно, получения дополнительной прибыли. И об этом стоит задуматься прямо сейчас. В противном случае преимущество получат более предусмотрительные конкуренты.